[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ais-next-bottleneck-is-data-center-cooling-zh":3,"article-related-ais-next-bottleneck-is-data-center-cooling-zh":30,"series-industry-6c8ae7de-2112-4c99-854b-569427493bfd":75},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"6c8ae7de-2112-4c99-854b-569427493bfd","ais-next-bottleneck-is-data-center-cooling-zh","AI 把散熱變成瓶頸","\u003Cp data-speakable=\"summary\">以前大家先看模型和 \u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa>，現在先看電力和散熱，因為機房先被熱量卡住了。\u003C\u002Fp>\u003Cp>我盯 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>這題一陣子了，越看越火大。大家聊天都在講模型、\u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa>、GPU 幾張，彷彿算力只要買得到就會自己長出來。但我碰過幾個實際系統後，感覺很明顯：軟體故事很熱鬧，真正決定你能不能擴的，是那個很土的物理世界。電、熱、機櫃密度、冷卻管路，這些東西一出事，前面那些漂亮 roadmap 立刻變廢紙。\u003C\u002Fp>\u003Cp>我最近被一篇 \u003Ca href=\"https:\u002F\u002Ffinance.yahoo.com\u002Ftechnology\u002Fai\u002Farticles\u002Fnext-chapter-ai-infrastructure-story-123000891.html\">Yahoo Finance\u003C\u002Fa> 轉載的 Chemours 文章打到，作者是 Denise Dignam。它不是在賣產品，而是在很直接地講：AI 的下一個卡點，已經不是模型本身，而是\u003Ca href=\"\u002Ftag\u002F資料中心\">資料中心\u003C\u002Fa>怎麼把熱搬走。這句話聽起來平，但我覺得它比很多 AI 演講都誠實。\u003C\u002Fp>\u003Ch2>AI 早就不是只看模型，電費一來就現形\u003C\u002Fh2>\u003Cblockquote>“The next chapter of AI is as much an infrastructure story as it is a technology - and, increasingly, a societal one.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：AI 的下一章，不只是技術題，也是基礎設施題，甚至會\u003Ca href=\"\u002Fnews\u002Fmidjourney-turns-prompt-ideas-into-art-zh\">變成\u003C\u002Fa>社會題。這句我很買單，因為它把幻想戳破了。你不是只在訓練模型，你是在吃電、排熱、占地，還要讓周邊社區吞得下去。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783730002004-gthz.png\" alt=\"AI 把散熱變成瓶頸\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看過不少團隊把模型升級當成勝利，結果一轉頭就被機房、供電、消防、冷卻條件追著打。那一刻很現實：你以為自己在做 AI，結果其實是在做大型基礎設施協調。這不是語意遊戲，這是誰先撞牆的差別。\u003C\u002Fp>\u003Cp>實操上，我會把 AI 專案拆成兩條線一起審：一條是模型與產品，一條是機房與能源。只要你要上規模，第一版架構評審就要問三件事：峰值功耗多少、冷卻方式能不能扛目標密度、未來擴建會不會卡在法規或場地。答不出來，就先別急著喊上線。\u003C\u002Fp>\u003Cul>\u003Cli>先算峰值，不要只看平均值。\u003C\u002Fli>\u003Cli>先看散熱，不要只看 GPU 數量。\u003C\u002Fli>\u003Cli>先問場地限制，不要等硬體買完才補課。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>氣冷撐過昨天，撐不住今天的機櫃密度\u003C\u002Fh2>\u003Cp>Dignam 那句話我也很有感：氣冷一直有用，但 AI 現在要的效能，已經把它推到極限邊緣。這句話很客氣，但意思很兇。氣冷不是完全失效，是它原本的設計前提已經不夠用了。\u003C\u002Fp>\u003Cp>白話一點說，舊方案的問題不是不好，而是太慢、太吵、太吃空間。你可以一直加風扇、加通道、加機房面積，表面上像在救火，實際上只是把帳單往後拖。熱量不會因為你忙就自己消失。\u003C\u002Fp>\u003Cp>我以前也看過團隊想靠堆風量硬撐，最後發現機櫃密度一上來，整個空調策略就開始失真。這種時候再談「原本設計很穩」就很像在拿舊雨傘擋颱風。能擋一下，但別指望它長期有效。\u003C\u002Fp>\u003Cp>實操寫法很簡單：不要把散熱當機房後勤，直接拉進架構評審。先定密度目標，再反推冷卻技術。你可以先看 \u003Ca href=\"https:\u002F\u002Fwww.ashrae.org\u002Ftechnical-resources\u002Fbookstore\u002Fdatacom-series\">ASHRAE datacom 指引\u003C\u002Fa>，再對照 \u003Ca href=\"https:\u002F\u002Fwww.dell.com\u002Fen-us\u002Flp\u002Fdt\u002Fliquid-cooling\">Dell 液冷資料\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.supermicro.com\u002Fen\u002Fsolutions\u002Fliquid-cooling\">Supermicro 液冷方案\u003C\u002Fa>，你會很快看出各家怎麼處理同一個現實問題。\u003C\u002Fp>\u003Ch2>單相液冷是過渡帶，不是終點\u003C\u002Fh2>\u003Cp>原文提到很多營運商正在往液冷走，包含 single-phase direct-to-chip。這句很重要，因為它講的是「先活下來」的路線。單相液冷不花俏，但它是很多團隊最務實的切換點，不用一次把整個機房翻掉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783730001473-5nnt.png\" alt=\"AI 把散熱變成瓶頸\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>也就是說，這不是什麼追新潮，而是選一個能降低改造成本、又真的把熱導走的方案。CPU 和 accelerator 才是發熱主角，冷卻就應該直接貼著它們做，不要還幻想靠遠端吹風能解決高密度熱點。\u003C\u002Fp>\u003Cp>我之前碰過一個基礎設施檢討，大家都說機櫃太熱，但沒人想承認氣流設計已經不夠。後來我們把伺服器先看成熱源，再看成計算節點，討論就突然誠實很多。因為一旦你接受這件事，很多舊習慣就會自己鬆掉。\u003C\u002Fp>\u003Cp>實操寫法：如果你現在還在氣冷，先做一個 pilot rack，別直接全站改。量三個數字：溫度曲線、維運複雜度、能耗變化。再拿這三個數字跟現況比。想看業界怎麼包裝這條路，可以看 \u003Ca href=\"https:\u002F\u002Fwww.hpe.com\u002Fus\u002Fen\u002Fcompute\u002Fliquid-cooling.html\">HPE 液冷資料\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fdata-center\u002F\">NVIDIA data center 平台頁\u003C\u002Fa>。\u003C\u002Fp>\u003Ch2>兩相液冷會把密度問題逼到台面上\u003C\u002Fh2>\u003Cp>Dignam 提到，隨著機櫃密度繼續上升，會需要更進階的方案，包括 two-phase liquid cooling。這句話的意思很直接：如果你以為液冷只是另一種選項，那你還沒看到密度往上衝時會多兇。兩相液冷不是潮，是在更高熱負載下的生存工具。\u003C\u002Fp>\u003Cp>我看到原文還提到一個很刺眼的數字：機櫃密度預計在 2027 年前後會超過 500kW。這種密度一旦接近，資料中心就不再像傳統機房，而更像一個工業級熱管理系統。這時候你再用昨天的設計思維，只會一直補洞。\u003C\u002Fp>\u003Cp>我很常看到組織卡在「再多驗證一次」的迴圈。技術上可行，流程上卻永遠不敢動。問題通常不是做不到，而是不想當第一個改的人。結果就是等到密度逼上來，才發現自己連試錯空間都快沒了。\u003C\u002Fp>\u003Cp>實操寫法：當你的密度路線圖已經逼近單相液冷的舒適區，就要把兩相液冷列成正式選項。評估時直接看三件事：熱通量、總擁有成本、用水限制。你也可以參考 \u003Ca href=\"https:\u002F\u002Fwww.ashrae.org\u002F\">ASHRAE\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.iea.org\u002F\">International Energy Agency\u003C\u002Fa> 的相關資料，再回頭對照自己的 rack plan。\u003C\u002Fp>\u003Ch2>真正卡你的，常常是組織慣性\u003C\u002Fh2>\u003Cp>原文有一句很老實：技術可行性常常不是問題，真正的障礙是風險容忍度和既有設計的慣性。這句我會直接貼在會議室門口。很多人嘴上說謹慎，實際上只是怕改。怕改很正常，但拿「保守」當理由拖延，最後常常更貴。\u003C\u002Fp>\u003Cp>翻譯一下就是，這題不是工程師不會做，而是採購、機房、財務、主管要一起承認：舊設計已經變成風險。這很煩，因為它逼你處理跨部門協調，而不是只靠一份漂亮規格書。\u003C\u002Fp>\u003Cp>我看過太多團隊把舊散熱方案當安全牌，結果它慢慢變成成本黑洞。每拖一季，改造就更難、限制就更多、路徑就更窄。你以為自己在保守，其實是在把未來的改裝費往上加。\u003C\u002Fp>\u003Cul>\u003Cli>把新散熱方案寫成風險降低，不要寫成新玩具。\u003C\u002Fli>\u003Cli>把生命週期成本和用水量放進同一張表。\u003C\u002Fli>\u003Cli>把機房團隊拉進 AI 規劃第一輪。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法：下次有人說現況「還能用」，你就問兩個問題：下一次密度跳升會怎樣？再撐一年會多花多少？通常問到這裡，很多模糊的樂觀就會自己散掉。\u003C\u002Fp>\u003Ch2>效率是大家愛講，卻常常不肯補預算的地方\u003C\u002Fh2>\u003Cp>Dignam 認為未來十年最大的機會之一是效率，我同意。只是效率這東西很常被當口號，直到帳單變難看才開始認真。原文提到的方向都很務實：更好的\u003Ca href=\"\u002Fnews\u002Fseedream-5-pro-editable-ai-images-zh\">工作\u003C\u002Fa>負載分配、更聰明的冷卻、減少浪費的運算、讓每一度電發揮更多價值。\u003C\u002Fp>\u003Cp>也就是說，最有價值的優化工作，常常不在模型本身，而在模型下面那層。你如果能把排程、冷卻、利用率的浪費壓下來，很多時候比你先買更多硬體更有效。這種事不帥，但很能救錢。\u003C\u002Fp>\u003Cp>我遇過團隊急著加算力，卻連現有資源浪費多少都沒量。這很常見，也很荒謬。先把手上的算力用好，再談擴張，這才是正常順序。效率不是口號，是預算管理。\u003C\u002Fp>\u003Cp>實操寫法：立刻做三個 audit。第一，閒置或低利用率算力有多少。第二，冷卻開銷有多少是為了維持\u003Ca href=\"\u002Fnews\u002Fsix-layer-stablecoin-stack-turns-chaos-into-a-map-zh\">穩定\u003C\u002Fa>而白燒。第三，工作負載的配置有沒有跟熱與電的分布對齊。只要這三項改善一點，你就能延後一次昂貴擴建。\u003C\u002Fp>\u003Ch2>政策會進來，因為沒人信看不見的基礎設施\u003C\u002Fh2>\u003Cp>原文提到，政策之所以重要，是因為我們很難管理自己沒量測的東西。這句很樸素，但很真。只看能源不夠，還要看用水、土地使用、社區影響。AI 基礎設施一旦放大，這些都會變成公共議題。\u003C\u002Fp>\u003Cp>這也解釋了為什麼新加坡會用更嚴格的效率要求重啟資料中心開發，歐洲開始把報告範圍從能源擴到更多面向，美國也出現液冷相關立法討論。你喜不喜歡監管是一回事，但方向很清楚：如果業者不自己講清楚，政策就會逼你講。\u003C\u002Fp>\u003Cp>我覺得這段最務實的地方，是它把政策當成設計的一部分，而不是外部干擾。只要你的基礎設施吃的是公共資源，那社區影響本來就該進架構考量。這不是道德說教，是現實。\u003C\u002Fp>\u003Cp>實操寫法：如果你管 AI 基礎設施，現在就做一份揭露清單。至少記錄能源、用水、散熱方式、場址影響。不要等主管機關來問，因為那時候通常已經晚了。\u003C\u002Fp>\u003Cul>\u003Cli>記錄 rack 級功耗，不要只看整體機房數字。\u003C\u002Fli>\u003Cli>區分不同冷卻方式的用水量。\u003C\u002Fli>\u003Cli>先寫下社區可能抱怨什麼，再想怎麼回應。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI Infrastructure Readiness Note\n\n## 1) 我們要部署什麼\n- Workload:\n- Model \u002F application:\n- Target launch date:\n- Expected growth over 12 months:\n\n## 2) 電力輪廓\n- Rack density target:\n- Peak power per rack:\n- Total site power required:\n- Redundancy requirements:\n- Utility constraints:\n\n## 3) 散熱決策\n- Current cooling method:\n- Thermal limit of current design:\n- Candidate upgrade path:\n  - Air cooling\n  - Single-phase direct-to-chip\n  - Two-phase liquid cooling\n- Why the current method is no longer enough:\n- Pilot plan:\n- Success metrics:\n\n## 4) 效率檢查\n- Idle compute percentage:\n- Workload placement issues:\n- Cooling overhead:\n- Waste reduction opportunities:\n- Expected savings:\n\n## 5) 用水與社區影響\n- Water use estimate:\n- Heat rejection method:\n- Land \u002F siting constraints:\n- Community concerns:\n- Disclosure plan:\n\n## 6) 風險與時程\n- What happens if we wait 12 months:\n- What becomes more expensive:\n- What becomes harder to retrofit:\n- Decision owner:\n- Go \u002F no-go date:\n\n## 7) 最後結論\n- Recommended cooling path:\n- Why now:\n- What we need to approve:\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板是我根據原文的思路，加上我自己做基礎設施評估時會補的欄位整理出來的。原始來源是 \u003Ca href=\"https:\u002F\u002Ffinance.yahoo.com\u002Ftechnology\u002Fai\u002Farticles\u002Fnext-chapter-ai-infrastructure-story-123000891.html\">Yahoo Finance 這篇轉載頁\u003C\u002Fa>，內容源頭來自 Chemours 的 press release。上面那份 checklist 是我自己重寫的可執行版本，方便你直接拿去開會。\u003C\u002Fp>","我拆解 AI 資料中心為什麼從氣冷走向液冷，並附上一份可直接複製的決策模板。","finance.yahoo.com","https:\u002F\u002Ffinance.yahoo.com\u002Ftechnology\u002Fai\u002Farticles\u002Fnext-chapter-ai-infrastructure-story-123000891.html",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783730002004-gthz.png","industry","zh","8f92b8ee-963c-47cc-9427-9142b36cc166",[17,18,19,20,21],"AI infrastructure","liquid cooling","data center","rack density","energy efficiency",[23,24,25],"AI 的瓶頸正在從模型轉到電力與散熱。","單相液冷適合當過渡，兩相液冷則對應更高密度。","真正拖慢轉型的常是組織慣性與風險心態。",1,"2026-07-11T00:33:00.579446+00:00","2026-07-11T00:33:00.569+00:00","99af117b-25db-48d6-89e7-66ab3b0e34b7",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":17,"slug":33},"ai-infrastructure",{"id":15,"slug":35,"title":36,"language":37},"ais-next-bottleneck-is-data-center-cooling-en","AI’s next bottleneck is data-center cooling","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"de01f370-fb0f-4fc8-a783-35b92973d921","claude-code-fengxian-tishi-4-ge-xinhao-zh","Claude Code 被警示的 4 個風險信號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783771380025-237y.png","2026-07-11T12:02:32.045706+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"3423a7e8-a179-4463-b477-b3ba264b30b6","amds-ai-stack-turns-silicon-into-platform-choice-zh","AMD 讓 AI 堆疊變平台選擇","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783733600177-nl0g.png","2026-07-11T01:32:52.441938+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"c6402bba-5e2e-4d0e-a008-b45c0fa2b892","ai-infrastructure-spending-durable-through-2027-zh","AI 基礎設施支出到 2027 年仍是該持有的交易","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783731764243-vghh.png","2026-07-11T01:02:20.432842+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"208d66c9-26da-48a8-be2e-7452859e256f","six-layer-stablecoin-stack-turns-chaos-into-a-map-zh","六層穩定幣堆疊把混亂變地圖","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783708411934-zqlm.png","2026-07-10T18:33:06.506657+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"200777f4-9d68-4b6b-abb4-7bc15e7d6e78","openai-gov-partnerships-access-policy-zh","OpenAI把存取權做成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783684998337-83za.png","2026-07-10T12:02:53.475221+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"4e7f9fda-2104-4ed5-895c-5d21b78341fb","kubernetes-ai-assisted-maintainership-rules-zh","Kubernetes替AI維護劃規則","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783672388328-9fvp.png","2026-07-10T08:32:42.07423+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]